Mar, 2021

Flatland Competition 2020: 基于网格世界的高效火车调度的 MAPF 和 MARL

PDF
TL;DR该研究通过 Flatland 竞赛评估了多种协调机制来解决运输网络中的车辆重新调度问题，评估了使用多智能体强化学习等协调机制解决此问题的可行性并提出了优化方案。
vehicle re-scheduling problemmulti-agent reinforcement learningoperations researchreal-time schedulingrailway network
发现论文，激发创造
  • 利用场均多智能体强化学习进行高效拼车订单调度

    本研究采用多个智能体玩游戏的强化学习方法，结合平均场近似对订单调度问题进行建模，成功降低高峰期的供需差异并减少交通拥堵。

    Jan, 2019

  • 大规模网格交通网络区域信号控制的多智能体强化学习

    本文提出了一种基于区域划分的交通信号控制方法，使用多智能体强化学习技术，利用基于交通网络分区的扩展分支决斗 Q 网络算法，解决方法众多、非稳定性问题和优化联合行动问题，提高了解决方案的鲁棒性。

    Mar, 2023

  • 通过协作解决城市拥堵问题：基于异构 GNN 的 MARL 用于协调编队和交通信号控制

    本研究提出了一种基于异构图多智能体强化学习和交通理论的创新方法，用于实时联合控制信号控制和车队编队，以缓解交通拥堵。

    Oct, 2023

  • 网络系统控制的多智能体强化学习

    本文研究了网络系统控制中的多智能体强化学习问题，提出了基于空间折扣因子的 NMARL 问题并引入了一种可微的通信协议 NeurComm 以提高学习效率和控制性能。实验结果表明，合适的空间折扣因子可以有效提高 MARL 算法的非通讯性学习曲线，而 NeurComm 在学习效率和控制性能方面均优于现有的通信协议。

    Apr, 2020

  • 电力系统拓扑优化的多智能体强化学习

    该论文提出了一种适用于扩展动作空间的分层多智能体强化学习 (MARL) 框架，利用电网固有的分层结构，用于管理大规模的电力网络，并且实验结果表明该框架的性能与单智能体强化学习方法相当。

    Oct, 2023

  • 基于树形 LSTM 的多智能体路径规划

    本文提出一种新的强化学习方法，使用了 TreeLSTM 等网络结构和多个策略，以及集中式控制等技术，从而在 Flatland3 Challenge 中获得了高分数，与目前排名前 2-3 的运筹学方法相当。

    Oct, 2022

  • 离线多智能体强化学习协调问题的基于模型的解决方案

    该研究针对现有离线多智能体强化学习算法在协作中存在的问题进行研究，并提出了一种基于模型的离线多智能体近端策略优化算法（MOMA-PPO），利用合成的交互数据帮助智能体在策略调整中更好地协调，成功解决了现有算法在多智能体任务中出现的协作问题。

    May, 2023

  • 多智能体强化学习介绍及其在自主移动中的应用综述

    该论文介绍了多智能体强化学习在自主移动中的应用，包括行为规划、车辆之间通信、性能提升等方面，并探讨了该领域的一些最新方法和想法。

    Mar, 2022

  • 混合交通中的高速公路匝道合流的深度多智能体强化学习

    本文通过多智能体强化学习的方法对自动驾驶车辆在复杂交通场景下的高速公路入口合流进行了建模，提出了一种高效可扩展的模型，包括参数共享、本地奖励、底层安全监督等手段以及基于优先级的安全监督等，最终实验结果表明本文提出的 MARL 框架明显优于现有的基准模型。

    May, 2021

  • 均场多智体强化学习：一种分散网络方法

    提出了基于 LTDE-Neural-AC 和演员 - 评论家方法的多智能体强化学习算法，应用于自驾车、拼车、数据和交通路由模型的图网络，其解决了分散式多智能体强化学习网络结构的问题，并具有收敛保证的优势。

    Aug, 2021